[發明專利]一種有效語音識別方法及裝置

有效

• 申請號: 201710573521.X
• 申請日: 2017-07-14
• 公開（公告）號: CN107369449B
• 公開（公告）日: 2019-11-26
• 發明（設計）人: 蔣化冰;蔡漢嘉;廖凱;齊鵬舉;方園;米萬珠;舒劍;吳琨;管偉;羅璇
• 申請（專利權）人: 上海木木機器人技術有限公司
• 主分類號: G10L15/26
• 分類號: G10L15/26;G10L21/0208;G10L21/0272;G06K9/00
• 代理公司: 31251 上海碩力知識產權代理事務所(普通合伙)
• 代理人: 郭桂峰<國際申請>=<國際公布>=<進入

1.一種有效語音識別方法，其特征在于，包括：

記錄聲源對象的語音數據，通過攝像裝置偵測到所述聲源對象的人臉，聚焦所述人臉，使人臉范圍占據所述攝像裝置的預設值，同時獲取所述聲源對象的臉部圖像數據；

對所述語音數據進行ASR識別，獲得ASR識別結果，所述ASR識別結果包括若干條語音內容及對應的語音記錄時間點；

對所述聲源對象的臉部圖像數據進行張口特征識別，獲得若干幀張口圖像和所述每幀張口圖像對應的圖像獲取時間點；以及

比對所述每條語音內容對應的語音記錄時間點的前后預設時間范圍內，是否有相應的張口圖像的圖像獲取時間點在此范圍內；若有，記錄對應的語音內容為有效語音。

2.根據權利要求1所述的方法，其特征在于，所述每條語音內容對應的語音記錄時間點為：記錄所述每條語音內容開始的時間點、記錄所述每條語音內容中間的時間點、或者，記錄所述每條語音內容結束的時間點。

3.根據權利要求1所述的方法，其特征在于，所述獲取所述聲源對象的臉部圖像數據具體包括：

攝像頭偵測到所述聲源對象的人臉；

聚焦所述人臉，使人臉范圍占據所述攝像頭鏡頭的預設值；以及

獲取所述聲源對象的臉部圖像數據。

4.根據權利要求1所述的方法，其特征在于，所述對所述聲源對象的臉部圖像數據進行張口特征識別具體包括：

定位所述臉部圖像數據的嘴型特征；以及

判斷嘴型的張口高度與嘴唇高度的比例是否超過或等于預設的比例；當超過或等于，識別所述的臉部圖像數據為張口圖像；其中，所述張口高度為上嘴唇下邊緣與下嘴唇上邊緣之間的距離，所述嘴唇高度為上嘴唇上邊緣與下嘴唇下邊緣之間的距離。

5.根據權利要求1所述的方法，其特征在于，所述每條語音內容對應的語音記錄時間點的前后預設時間范圍為所述語音記錄時間點的前后1秒。

6.一種有效語音識別裝置，其特征在于，包括：

錄音裝置，用于記錄聲源對象的語音數據；

攝像裝置，用于偵測到所述聲源對象的人臉，聚焦所述人臉，使人臉范圍占據所述攝像裝置的預設值，與所述錄音裝置同步記錄所述聲源對象的臉部圖像數據；

ASR識別裝置，用于對所述語音數據進行ASR識別，獲得ASR識別結果，所述ASR識別結果包括若干條語音內容及對應的語音記錄時間點；

圖像偵測裝置，用于對所述聲源對象的臉部圖像數據進行張口特征識別，獲得若干幀張口圖像和所述每幀張口圖像對應的圖像獲取時間點；以及

有效語音提取裝置，用于比對所述每條語音內容對應的語音記錄時間點的前后預設時間范圍內，是否有相應的張口圖像的圖像獲取時間點在此范圍內；若有，記錄對應的語音內容為有效語音。

7.根據權利要求6所述的裝置，其特征在于，所述每條語音內容對應的語音記錄時間點為：記錄所述每條語音內容開始的時間點、記錄所述每條語音內容中間的時間點、或者，記錄所述每條語音內容結束的時間點。

8.根據權利要求6所述的裝置，其特征在于，所述攝像裝置具體用于：偵測到所述聲源對象的人臉；聚焦所述人臉，使人臉范圍占據所述攝像裝置鏡頭的預設值；獲取所述聲源對象的臉部圖像數據。

9.根據權利要求6所述的裝置，其特征在于，所述圖像偵測裝置具體用于：定位所述臉部圖像數據的嘴型特征；以及判斷嘴型的張口高度與嘴唇高度的比例是否超過或等于預設的比例；當超過或等于，識別所述的臉部圖像數據為張口圖像；其中，所述張口高度為上嘴唇下邊緣與下嘴唇上邊緣之間的距離，所述嘴唇高度為上嘴唇上邊緣與下嘴唇下邊緣之間的距離。

10.根據權利要求6所述的裝置，其特征在于，所述每條語音內容對應的語音記錄時間點的前后預設時間范圍為所述語音記錄時間點的前后1秒。